深度學習在電梯轎廂振動故障診斷中的應用研究*

張興合，高丙朋*，陳 飛，南新元

(1.新疆大學 電氣工程學院，新疆 烏魯木齊 830001;2.新疆維吾爾自治區特種設備檢驗研究院，新疆 烏魯木齊 830001)

0 引 言

電梯異常振動是電梯故障的反映，異常振動的存在嚴重危害設備的運行安全，設備壽命和安全性能大打折扣。因此，對電梯健康進行狀態監測和故障預測極為重要。

昆明理工大學易仕琳[1]研究了電梯的結構、故障產生原因和故障診斷預測。山東大學王健[2]研究了支持向量機在電梯故障預測上的應用。李敬偉等[3]針對導軌不平順作用下曳引電梯轎廂的水平方向振動，對導軌在不同激振頻率下電梯轎廂的動態特性原理進行了分析研究。浙江大學王志平[4]利用電梯運行特征大數據，研究了高速電梯的急停故障快速診斷。馮鑫等[5]優化BP神經網絡理論，進行了電梯故障診斷。徐金海等[6]利用振動信號時域峰值、頻域頻率值及功率譜密度和時頻域能量分布的多參數振動特征量,對電梯機械部件不同工況下的振動特性進行了研究。

由于電梯轎廂振動信號復雜，涉及因素眾多，且相互影響。以上方法都暴露出特征發掘不夠的問題。

相比人工特征，深度學習提取特征更加全面。深度學習作為機器學習領域的新型方法，其具有強大的特征提取能力[7-9]。將深度學習應用在故障診斷領域的研究已經逐漸引起國內外學者的重視[10]。陳志平等[11,12]研究了大數據分析方法在電梯故障診斷與預測，最終可準確地對電梯機械系統故障進行診斷與預測，驗證了電梯轎廂振動信號對電梯故障診斷的可行性。

電梯承運質量測試儀采集到的信號，包括垂直方向振動信號和水平方向振動信號。但電梯水平方向振動信號對電梯導向系統的故障以及電梯老化有較高的敏感度，而這些故障對電梯的承運安全起到決定性作用。

通常，電梯水平方向振動主要體現3種運行狀況：(1)正常運行振動對應電梯導軌向系統正常；(2)沖擊性異常振動對應導軌接頭的間隙及距離錯差或導軌平面有突起等故障；(3)周期性異常振動對應滾動導靴的外形不規則，或者導輪的外圓面有突起干擾點等故障。

筆者針對電梯系統運行過程中故障診斷精確度不夠高的問題，和電梯轎廂振動故障診斷在卷積神經網絡運用上的空白問題，研究深度學習在電梯轎廂振動故障診斷中的應用。

1 基本原理介紹

卷積神經網絡(CNN)是深度學習算法中的一種，在特征自學習分類中廣泛應用。CNN通常包括輸入層、卷積層、池化層和最后的全連接層[13]。

卷積層是對圖像進行卷積運算，提取出圖像特征。卷積核相當于一個窗口，在輸入圖像上一個stride的大小進行平移和上下移動，當卷積核在圖像上移動一遍的時候就完成了對輸入圖像的卷積運算，即：

(1)

卷積層使用PyTorch中的conv2d,conv2d參數包括輸入通道數，輸出通道數也就是卷積核個數、卷積核尺寸、步長、填充空洞、分組和偏置。卷積層輸出的尺寸與輸入和卷積核的關系量化公式如下：

(2)

式中：Hin，Hout—卷積層的輸入輸出；p[0]—輸出層的填充值；d[0]—卷積核的空洞值；k[0]—卷積核的尺寸；stride[0]—卷積核的步進。

本文采用Relu函數作為激活函數，反向傳播過程中不會影響總體的梯度。且Relu層輸出均為正數，負半軸導致死神經元。梯度大于0的時候是1也可以緩解梯度消失。

以上過程的運行為卷積神經網絡的前向傳播，網絡訓練主要包括參數前向傳播和誤差反向傳播。前向傳播是將頻譜圖輸入到網絡中，經卷積、池化、全連接層等操作。誤差反向傳播通過計算實際故障識別結果與標簽之間的誤差，將得到的誤差值反向傳播，得到各層的誤差[14]，進而修正每層網絡的權值和偏置。

本研究對網絡權值和偏置的修正采用SGD隨機梯度下降法進行修正，梯度下降法的優化思想是用當前位置負梯度方向作為搜索方向，即當前位置的最快下降方向，所以也被稱為是最速下降法。

簡單神經網絡結構示意如圖1所示。

圖1 簡單神經網絡結構示意圖

圖1中，一個5層的神經網絡每層包含一個神經元，則有：

zi=xiωi+bi

(3)

hi=σ(zi)

(4)

x4=h3,x3=h2,x2=h1

(5)

式中：xi—每層輸入；bi—偏置；ωi—權重；zi—輸出；hi—激活后的輸出；σ—神經元的激活函數。

設最終的損失函數為L，則可利用鏈式法則的反向傳播方法求L關于xi的梯度過程，即：

(6)

式中：L—最終輸出的損失函數。

2 殘差神經網絡在本研究的應用

殘差神經網絡用來解決深層網絡效果出現退化的問題。在深層網絡中，存在梯度消失或梯度爆炸。雖然初始歸一化和中間歸一化在很大程度上解決了這一問題，但在更深層次的網絡上歸一化不能有效解決梯度問題。對此，學者[15]提出了Res-Net(residual neural network)，對隨著網絡的加深網絡出現梯度爆炸或梯度消失現象進行了優化。

筆者采用由BasicBlock組成的Resnet18網絡模型為主體。本研究網絡結構參數如表1所示。

表1 本研究網絡結構參數表

表1中，每一個BasicBlock中包含兩個卷積層，加上卷積層1和最后的全連接層共18個卷積層，是其中Resnet18的由來。

此外，在不同環境的電梯使用情況不同，所以每次采集信號都應嚴格控制變量、測量標準。但在測量過程中會出現測量錯誤信號、偶然錯誤，影響測量精度和數據可信度。

在處理信號時，應篩選掉出現測量錯誤和偶然錯誤信號，采用信號中間穩定部分作為研究對象，提高研究的可參考性。

3 實驗及結果分析

3.1 信號的采集與預處理

該實驗采用新疆維吾爾自治區特種設備檢驗研究院的電梯承運質量測試儀(由PMT公司制造的EVA-625型)，對信號進行分類標簽后，進行數據預處理，分離出水平方向振動信號和豎直方向信號。

經過半年的特定信號采集，共采集到了185條數據，經過篩選和數據預處理，得到153條可用數據，其中測試集15條數據，訓練集122條數據，驗證集16條數據。預處理后的信號在不經過連續小波變換之前，作為輸入采用傳統的特征工程加支持向量機方法進行診斷，統計診斷正確率。

筆者采用10折交叉驗證(10-fold Cross Validation,K-CV)、基于遺傳算法優化參數的支持向量機(GA-LSSVM)和基于粒子群優化的最小二乘法的支持向量機(PSO-LSSVM)進行了對比試驗。筆者建立了10個模型，把10個模型分類準確率的平均值作為該方法下分類器的性能指標。筆者將支持向量機的參數集用遺傳算法和粒子群算法進行了優化，得到了參數的最優解，避免進入局部最優；將預處理后的信號輸入參數優化的支持向量機訓練中，得到了最終的分辨結果與深度學習方法，進行了對比。

深度學習網絡對電梯運行狀態分類如圖2所示。

圖2 深度學習網絡對電梯運行狀態分類

由圖2可見，將預處理后的數據經過連續小波變換將一維時域振動信號變換成二維時頻信號，從頻譜特性分析得出電梯運行特征，連續小波變換在不同的尺度來滿足對細節分析的需求。

本研究流程框圖如圖3所示。

圖3 本研究流程框圖

由圖3可見，處理好的數據分為訓練集、驗證集和測試集；訓練集輸入網絡訓練，然后對驗證集和測試集進行驗證和測試。

3.2 網絡訓練

筆者將采集的實驗數據進行數據預處理，后通過連續小波變換變換成二維時頻信號進行數據增強，然后歸一化為標準數據，輸入到模型中。

在調試過程中確保網絡模型輸入輸出正確的同時，還要特別注意學習率(Lr)、訓練迭代次數(Epoch)以及輸入批大小(Batchsize)等超參數的設置。

每次設置超參數，觀察對辨別精度的影響。超參數設置對網絡訓練的影響如表2所示。

表2 超參數設置對網絡訓練的影響

表2中，每批輸入圖片的多少影響網絡的訓練精度，如果學習率初始值比較大，還是會造成過擬合。

該實驗采用深度學習網絡訓練模型對電梯轎廂振動的信號進行分類，分類出電梯的不同運行狀態。

網絡訓練精度和誤差曲線如圖4所示。

圖4 網絡訓練精度和誤差曲線圖注：Acc value—訓練精度；Train_acc—訓練集精度；Vaid_acc—驗證集精度；loss value—訓練誤差；Train_loss—訓練集誤差；Valid_loss—驗證集誤差

由圖4可知，在120個epochs(迭代次數)附近的時候，驗證集達到了100%驗證精確度，后訓練集達到了98.68%訓練準確度。

各模型診斷結果對比如表3所示。

表3 各模型診斷結果對比

從表3可以看出：基于Resnet的故障診斷準確率高于特征工程的分辨準確率，而且在參數設置合適的情況下，準確率上限更高；訓練過程中可用tensorboard觀察權值數據梯度直方圖，可以明顯看出各層參數梯度在不斷集中，網絡訓練過程成效顯著。

可見：深度學習網絡對電梯轎廂振動信號的分類精度明顯高于傳統機器學習算法精度，證明了電梯轎廂振動用深度學習來處理的可行性。

4 結束語

本文采用深度學習方法，針對電梯轎廂的振動進行故障診斷；電梯承運質量檢測儀采集轎廂振動信號，將信號分離出水平振動信號，采用連續小波變換將一維時域信號變換成二維時頻信號；經過數據預處理和數據增強輸入到深度學習神網絡，通過調整參數訓練網絡。

實驗結果表明：該方法對故障驗證集分辨率達到了100%，訓練集分辨率達到了98.68%，對比傳統機器學習故障診斷分辨率提高了3個百分點；該結果證明了深度學習在電梯轎廂振動故障診斷方面的可行性。